r - 正则表达式的最后一次匹配答案

【问题标题】：r - Last match of regular expression [closed]r - 正则表达式的最后一次匹配
【发布时间】：2016-05-30 05:02:33
【问题描述】：

我正在寻找一个R 模式匹配表达式，它提取列表中每个元素中最后一个完全填充的分类法。分类法始终具有相同的格式（一个字母两个下划线和一个单词（有时在方括号内）。未完全填充的分类法在两个下划线后面没有单词。

我能够构建一个在一个正则表达式构建器网站上工作的表达式
(.\_\_[A-Za-z\[\]]+)(?!.*__[A-Za-z\[\])
但没有运气使用它或将其转换为使用R 中的R 模式匹配方法@ 或任何类似的东西。这是我尝试过的一件事

clean=gsub("(.\_\_[A-Za-z[]]+)(?!.*__[A-Za-z[]])","\\1",taxonomies,perl = TRUE)

有什么建议吗？谢谢！

taxonomies=
  list('k__Bacteria; p__Bacteroidetes; c__[Saprospirae]; o__[Saprospirales]; f__Chitinophagaceae; g__; s__'
       ,'k__Bacteria; p__Actinobacteria; c__MB-A2-108; o__0319-7L14; f__; g__; s__'
       ,'k__Bacteria; p__Actinobacteria; c__Actinobacteria; o__Actinomycetales;f__Corynebacteriaceae; g__Corynebacterium; s__'
       ,'k__Bacteria; p__Proteobacteria; c__Betaproteobacteria; o__Rhodocyclales; f__Rhodocyclaceae; g__Methyloversatilis; s__'
       ,'k__Bacteria; p__Proteobacteria; c__Deltaproteobacteria; o__Myxococcales; f__; g__; s__'
       ,'k__Bacteria; p__Proteobacteria; c__[Deltaproteobacteria]; o__[W123]; f__[W123]; g__[W123]; s__[W123.012.123]'
       ,'k__Bacteria; p__Bacteroidetes; c__[Saprospirae]; o__[Saprospirales]; f__Chitinophagaceae')

期望的输出

[1] "f__Chitinophagaceae"  "o__0319-7L14" "g__Corynebacterium"   
[4] "g__Methyloversatilis" "o__Myxococcales"  "s__[W123.012.123]"   
[7] "f__Chitinophagaceae"

编辑包含所需的输出，示例代码 gsub 不起作用。

【问题讨论】：

考虑显示你想要的结果。
我赞同@mark-miller 的建议，并希望通过询问来提供帮助：您是否将perl=TRUE 作为参数添加到正则表达式以启用PCRE 库（通常是方言 i> 这种元语言是我们卡住的问题）？哦，也许显示R 代码会产生您尝试过的不需要的结果？我认为这将有助于我们帮助你。谢谢。
感谢 Dilettant 和 @Mark-Miller，我编辑了这个问题，以便将来的用户清楚。然而，似乎下面的 akrun 已经能够解决我的问题了。
sapply(strsplit(unlist(taxonomies), ';'), function(i) tail(i[nchar(i)>4], 1)) 应该可以工作
是的@Sotos，这段代码也有效。非常感谢！

标签： regex r taxonomy gsub

【解决方案1】：

我们可以从stringi使用stri_extract_last

library(stringi)
stri_extract_last(unlist(taxonomies), regex = '[A-Za-z]__\\[*[[:alnum:].-]+\\]*')
#[1] "f__Chitinophagaceae"  "o__0319-7L14" "g__Corynebacterium"   
#[4] "g__Methyloversatilis" "o__Myxococcales"  "s__[W123.012.123]"   
#[7] "f__Chitinophagaceae"

在这里，我假设 OP 旨在提取 **...** 中的字符。这一定是一些格式问题，因为它没有以 BOLD 显示。

数据

taxonomies=list(
  'k__Bacteria; p__Bacteroidetes; c__[Saprospirae]; o__[Saprospirales]; f__Chitinophagaceae; g__; s__'
  ,'k__Bacteria; p__Actinobacteria; c__MB-A2-108; o__0319-7L14; f__; g__; s__'
  ,'k__Bacteria; p__Actinobacteria; c__Actinobacteria; o__Actinomycetales;f__Corynebacteriaceae; g__Corynebacterium; s__'
 ,'k__Bacteria; p__Proteobacteria; c__Betaproteobacteria; o__Rhodocyclales; f__Rhodocyclaceae; g__Methyloversatilis; s__'
 ,'k__Bacteria; p__Proteobacteria; c__Deltaproteobacteria; o__Myxococcales; f__; g__; s__'
  ,'k__Bacteria; p__Proteobacteria; c__[Deltaproteobacteria]; o__[W123]; f__[W123]; g__[W123]; s__[W123.012.123]'
  ,'k__Bacteria; p__Bacteroidetes; c__[Saprospirae]; o__[Saprospirales]; f__Chitinophagaceae'
  )

【讨论】：

非常感谢，这正是我所需要的。我意识到使用 bold 文本并不是表达我的问题的最佳方式，但我很高兴您能够忽略这一点。我编辑了这个问题，希望更多的人能够理解和受益。